scrapy 爬虫:多线程爬取去微博热搜排行榜数据信息,进入详情页面拿取第一条微博信息,保存到本地text文件、保存到excel

以下是一个简化的Scrapy爬虫示例,用于爬取微博热搜排行榜,并抓取每个榜单条目的详情页面上的第一条微博信息。

首先,创建一个新的Scrapy项目和爬虫:




scrapy startproject weibo_spider
cd weibo_spider
scrapy genspider weibo weibo.com

接下来,编辑爬虫文件 weibo_spider/spiders/weibo.py 来实现多线程爬取:




import scrapy
from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings
from twisted.internet.utils import get_unused_port
 
class WeiboSpider(scrapy.Spider):
    name = 'weibo'
    allowed_domains = ['weibo.com']
    start_urls = ['http://weibo.com/hot/realtimehot']  # 假设热搜排行榜的URL
 
    def parse(self, response):
        # 提取每个热搜关键词的详情页链接
        for href in response.css('a::attr(href)').getall():
            if 'detail.php' in href:
                yield scrapy.Request(response.urljoin(href), callback=self.parse_detail)
 
    def parse_detail(self, response):
        # 提取每个详情页上的第一条微博信息
        weibo_info = response.css('div.weibo_text::text').get()
        if weibo_info:
            yield {'weibo_info': weibo_info}
 
# 设置多线程
process = CrawlerProcess({
    'LOG_LEVEL': 'ERROR',  # 只显示错误信息
    'CONCURRENT_REQUESTS': 16,  # 并发请求数
})
process.crawl(WeiboSpider)
process.start()  # 启动爬虫

这个脚本定义了一个名为weibo的爬虫,它会从热搜排行榜页面提取关键词详情页的链接,然后爬取每个详情页上的第一条微博信息。爬虫使用CrawlerProcess启动多线程,并设置了并发请求的数量。

请注意,实际使用时需要根据微博网站的实际情况调整选择器(CSS或XPath),以及处理登录、反爬、AJAX加载内容等情况。

运行这个脚本将启动一个多线程的Scrapy爬虫,它将会在控制台输出爬取的结果。

none
最后修改于:2024年08月13日 09:46

评论已关闭

推荐阅读

DDPG 模型解析,附Pytorch完整代码
2024年11月24日
DQN 模型解析,附Pytorch完整代码
2024年11月24日
AIGC实战——Transformer模型
2024年12月01日
Socket TCP 和 UDP 编程基础(Python)
2024年11月30日
python , tcp , udp
如何使用 ChatGPT 进行学术润色?你需要这些指令
2024年12月01日
AI
最新 Python 调用 OpenAi 详细教程实现问答、图像合成、图像理解、语音合成、语音识别(详细教程)
2024年11月24日
ChatGPT 和 DALL·E 2 配合生成故事绘本
2024年12月01日
omegaconf,一个超强的 Python 库!
2024年11月24日
【视觉AIGC识别】误差特征、人脸伪造检测、其他类型假图检测
2024年12月01日
[超级详细]如何在深度学习训练模型过程中使用 GPU 加速
2024年11月29日
Python 物理引擎pymunk最完整教程
2024年11月27日
MediaPipe 人体姿态与手指关键点检测教程
2024年11月27日
深入了解 Taipy:Python 打造 Web 应用的全面教程
2024年11月26日
基于Transformer的时间序列预测模型
2024年11月25日
Python在金融大数据分析中的AI应用(股价分析、量化交易)实战
2024年11月25日
AIGC Gradio系列学习教程之Components
2024年12月01日
Python3 `asyncio` — 异步 I/O,事件循环和并发工具
2024年11月30日
llama-factory SFT系列教程:大模型在自定义数据集 LoRA 训练与部署
2024年12月01日
Python 多线程和多进程用法
2024年11月24日
Python socket详解,全网最全教程
2024年11月27日